Cybersäkerhetsjämförelser mot USA:s rivaler

GLM-5.3:s främsta resultat är på CyberGym, en benchmark från UC Berkeleys Responsible AI Development Initiative som testar om en modell kan identifiera och validera verkliga sårbarheter i white-box-källkod . Där får GLM-5.3 84,5 %, vilket slår både Anthropics Mythos 5 (83,8 %) och OpenAI:s GPT-5.6 Sol (83,6 %) .

Bilden förändras på ExploitBench, som kräver djupare resonemang kring hur en verklig sårbarhet faktiskt kan utnyttjas, samt att modellen levererar en fungerande exploit. GLM-5.3 mer än fördubblar föregångarens poäng, från 24,4 % till 54,4 % . Men Z.ai rapporterar att Mythos 5 får 78 % på ExploitBench och GPT-5.6 Sol får 76,5 % – GLM-5.3 ligger alltså långt efter på detta svårare mått .

På ExploitGym, som räknar hur många exploateringsuppgifter en modell kan slutföra inom en normaliserad budget på två timmar, klarar GLM-5.3 105 uppgifter (upp från 29 för GLM-5.2) . Inom en sex timmars budget stiger siffran till 130 uppgifter .

Källor:

Verklig sårbarhetsdetektering

Utöver benchmarks har GLM-5.3 använts i verkliga säkerhetstester med imponerande resultat:

• 2 436 bekräftade sårbarheter hittades i 269 open source-projekt, med resultaten dokumenterade i en offentlig Z.ai Security Disclosure Ledger .
• Av dessa klassificerades 1 097 som kritiska eller högprioriterade .
• Modellen hittade buggar i programvara som är upp till 40 år gammal .
• Strax efter lanseringen identifierade den även en allvarlig sårbarhet i Cursor, den AI-drivna kodredigeraren .

Viktiga kodnings- och allmänna benchmarks

GLM-5.3 visar också starka siffror på kodnings- och agentbaserade benchmarks, vilket positionerar den som en ledande öppen modell för mjukvaruutveckling:

• Terminal-Bench 3.0: fick 28,3 – högst bland öppna modeller och nära Anthropics Claude Fable 5 .
• DeepSWE v1.1: ökade från 46,2 till 66,9 .
• Z.ai:s interna Code Bench (max ansträngning): 34,5 % (jämfört med GLM-5.2:s 23,4 %), med cirka 75 000 utdatatecken per uppgift mot 96 000 .
• Agents' Last Exam: första plats bland öppna modeller .
• World of AI Benchmark sammanlagt: rankad #6 totalt med 81,3 sammansatt poäng, precis efter Kimi K3 (81,5) och före GPT-5.6 Terra .
• FrontierSWE: nådde 78,1, upp från 67,5 .
• SWE-Marathon: fördubblades från 19,4 till 42,5 .

Därför försenas de öppna vikterna

Z.ai uppger att modellens cybersäkerhetsförmåga ”växte snabbare än förväntat” under efterträningen . Grundmodellens 740 miljarder parametrar tränades inte om – alla förbättringar kom från efterträning . Eftersom förmågan var en oväntad uppkomst, håller företaget tillbaka den öppna viktsutrullningen i två veckor medan man stärker säkerhets- och trygghetskontrollerna . Modellen är redan tillgänglig via Z.ai API samt genom integrationer med ZCode, Claude Code och OpenCode .

Viktiga reservationer

• Alla GLM-5.3 benchmarkresultat är företagsrapporterade och har ännu inte oberoende verifierats .
• Försprånget på CyberGym gentemot Mythos 5 och GPT-5.6 Sol är snävt – mindre än en procentenhet .
• På ExploitBench ligger GLM-5.3 långt efter USA:s rivaler (54,4 % mot 78 % för Mythos 5 och 76,5 % för GPT-5.6 Sol) .
• För kontextens skull: en bredare cybersäkerhetsbenchmarkaggregator listar GPT-5.6 Sol på 84,5 % på CyberGym (i nivå med GLM-5.3) och Mythos 5 på 83,8 %, medan ExploitBench för Sol anges till 73,5 % och för Mythos 5 till 78 % .

Cybersäkerhetsjämförelser mot USA:s rivaler

GLM-5.3:s främsta resultat är på CyberGym, en benchmark från UC Berkeleys Responsible AI Development Initiative som testar om en modell kan identifiera och validera verkliga sårbarheter i white-box-källkod . Där får GLM-5.3 84,5 %, vilket slår både Anthropics Mythos 5 (83,8 %) och OpenAI:s GPT-5.6 Sol (83,6 %) .

Bilden förändras på ExploitBench, som kräver djupare resonemang kring hur en verklig sårbarhet faktiskt kan utnyttjas, samt att modellen levererar en fungerande exploit. GLM-5.3 mer än fördubblar föregångarens poäng, från 24,4 % till 54,4 % . Men Z.ai rapporterar att Mythos 5 får 78 % på ExploitBench och GPT-5.6 Sol får 76,5 % – GLM-5.3 ligger alltså långt efter på detta svårare mått .

På ExploitGym, som räknar hur många exploateringsuppgifter en modell kan slutföra inom en normaliserad budget på två timmar, klarar GLM-5.3 105 uppgifter (upp från 29 för GLM-5.2) . Inom en sex timmars budget stiger siffran till 130 uppgifter .

Källor:

Verklig sårbarhetsdetektering

Utöver benchmarks har GLM-5.3 använts i verkliga säkerhetstester med imponerande resultat:

• 2 436 bekräftade sårbarheter hittades i 269 open source-projekt, med resultaten dokumenterade i en offentlig Z.ai Security Disclosure Ledger .
• Av dessa klassificerades 1 097 som kritiska eller högprioriterade .
• Modellen hittade buggar i programvara som är upp till 40 år gammal .
• Strax efter lanseringen identifierade den även en allvarlig sårbarhet i Cursor, den AI-drivna kodredigeraren .

Viktiga kodnings- och allmänna benchmarks

GLM-5.3 visar också starka siffror på kodnings- och agentbaserade benchmarks, vilket positionerar den som en ledande öppen modell för mjukvaruutveckling:

• Terminal-Bench 3.0: fick 28,3 – högst bland öppna modeller och nära Anthropics Claude Fable 5 .
• DeepSWE v1.1: ökade från 46,2 till 66,9 .
• Z.ai:s interna Code Bench (max ansträngning): 34,5 % (jämfört med GLM-5.2:s 23,4 %), med cirka 75 000 utdatatecken per uppgift mot 96 000 .
• Agents' Last Exam: första plats bland öppna modeller .
• World of AI Benchmark sammanlagt: rankad #6 totalt med 81,3 sammansatt poäng, precis efter Kimi K3 (81,5) och före GPT-5.6 Terra .
• FrontierSWE: nådde 78,1, upp från 67,5 .
• SWE-Marathon: fördubblades från 19,4 till 42,5 .

Därför försenas de öppna vikterna

Z.ai uppger att modellens cybersäkerhetsförmåga ”växte snabbare än förväntat” under efterträningen . Grundmodellens 740 miljarder parametrar tränades inte om – alla förbättringar kom från efterträning . Eftersom förmågan var en oväntad uppkomst, håller företaget tillbaka den öppna viktsutrullningen i två veckor medan man stärker säkerhets- och trygghetskontrollerna . Modellen är redan tillgänglig via Z.ai API samt genom integrationer med ZCode, Claude Code och OpenCode .

Viktiga reservationer

• Alla GLM-5.3 benchmarkresultat är företagsrapporterade och har ännu inte oberoende verifierats .
• Försprånget på CyberGym gentemot Mythos 5 och GPT-5.6 Sol är snävt – mindre än en procentenhet .
• På ExploitBench ligger GLM-5.3 långt efter USA:s rivaler (54,4 % mot 78 % för Mythos 5 och 76,5 % för GPT-5.6 Sol) .
• För kontextens skull: en bredare cybersäkerhetsbenchmarkaggregator listar GPT-5.6 Sol på 84,5 % på CyberGym (i nivå med GLM-5.3) och Mythos 5 på 83,8 %, medan ExploitBench för Sol anges till 73,5 % och för Mythos 5 till 78 % .